板块异动类
最后更新于:2022-04-01 21:57:12
# 板块异动类
> 来源:https://uqer.io/community/share/54ccf06af9f06c276f651a5a
本代码主要实现以下功能
+ 由`DataAPI.EquIndustryGet`获得每只个股的所属行业,这里采用的是申万二级分类;
+ 根据个股行业获得所有行业的成分股
+ 根据成分股的每天涨幅和市值,获得主题的加权涨幅,将其排序,即得到每日涨跌幅最大的行业前十
+ 根据成分股出现的涨跌停次数,获得涨跌停比例最大的行业前十
+ 根据成分股的换手率,获得换手率最大和最小的行业前十
+ 将每个行业所包含的个股,储存到csv文件中,如果对某个行业感兴趣,可以进一步查看其成分股
此处定义了一些函数,使得代码功能更明确
```py
def GetIndInfo(universe,field): #获得行业数据
num = 100
count_num = len(universe)/num
if count_num>0:
indus_df = pd.DataFrame({})
for i in range(count_num):
sub_ind = DataAPI.EquIndustryGet(secID=universe[i*num:(i+1)*num],field=field)
indus_df = pd.concat([indus_df,sub_ind])
sub_ind = DataAPI.EquIndustryGet(secID=universe[(i+1)*num:],field=field)
indus_df = pd.concat([indus_df,sub_ind])
else:
indus_df = DataAPI.EquIndustryGet(secID=universe,field=field)
filed_new = ['secID']+field
indus_df = indus_df[filed_new]
return indus_df
def GetMktInfo(secID,beginDate,endDate,field): #获得市场行情数据
num = 50
count_num = len(secID)/num
if count_num>0:
MktInfo_df = pd.DataFrame({})
for i in range(count_num):
sub_info = DataAPI.MktEqudGet(secID=secID[i*num:(i+1)*num],beginDate=beginDate,endDate=endDate,field=field)
MktInfo_df = pd.concat([MktInfo_df,sub_info])
sub_info = DataAPI.MktEqudGet(secID=secID[(i+1)*num:],beginDate=beginDate,endDate=endDate,field=field)
MktInfo_df = pd.concat([MktInfo_df,sub_info])
else:
MktInfo_df = DataAPI.MktEqudGet(secID=secID,beginDate=beginDate,endDate=endDate,field=field)
return MktInfo_df
def CountTime():
today = datetime.today()
cal_date = Date.fromDateTime(today)
if cal.isBizDay(cal_date): #如果是交易日,则判断当天是不是在15点前
today_str = today.strftime("%Y%m%d")
time1=" 15:05:00"
ben_time = datetime.strptime(today_str+time1,"%Y%m%d %H:%M:%S")
if today>ben_time:
date = today_str
else: #如果当天不是交易日,则获得前一个交易日
cal_wd = cal.adjustDate(cal_date,BizDayConvention.Preceding) #Date格式
dtime_wd = cal_wd.toDateTime() #datetime格式
date = dtime_wd.strftime("%Y%m%d")
return date
```
获得个股的行情数据,并以此来计算主题的:涨幅、涨跌停比例、换手率
```py
from datetime import timedelta
cal = Calendar('China.SSE')
universe = set_universe('A')
indus_df = GetIndInfo(universe=universe,field =['secShortName','industryName2'])
cnt_date = CountTime() #获得可用的时期
field_mkt = ['preClosePrice','openPrice','highestPrice','lowestPrice','closePrice','turnoverRate','marketValue']
MktInfo_df = GetMktInfo(secID=universe,beginDate=cnt_date,endDate=cnt_date,field=field_mkt)
ind_inc_dic = {} #记录行业的涨幅
ind_gb_dic = {} #记录行业的涨跌停数目
ind_turn_dic = {} #记录行业的换手率
ind_tknm_dic = {} #记录行业包含的个股
grouped = indus_df.groupby('industryName2')
for name,group in grouped:
ind_tknm_dic[name] = list(group['secShortName'])
stk_list = list(group['secID'])
sub_mkt_info = MktInfo_df[MktInfo_df.secID.isin(stk_list)]
#计算行业涨跌幅
sub_mkt_info['inc_rate'] = (sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice'] #获得每个个股的涨跌幅
ind_inc = (sub_mkt_info['inc_rate']*sub_mkt_info['marketValue']).sum()/sub_mkt_info['marketValue'].sum() #获得行业的涨跌幅,利用市值加权平均值计算
ind_inc_dic[name] = ind_inc
num_good = len(sub_mkt_info[((sub_mkt_info['closePrice']-sub_mkt_info['preClosePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #涨停的个股
num_bad = len(sub_mkt_info[((sub_mkt_info['preClosePrice']-sub_mkt_info['closePrice'])/sub_mkt_info['preClosePrice']).round(2)==0.1]) #跌停的个股
ind_gb_dic[name] = (num_good-num_bad)*1.0/len(group)
turnover = sub_mkt_info['turnoverRate'].mean() #计算行业的平均换手率
ind_turn_dic[name] = turnover
```
以下是将结果进行展示
```py
ind_turn_pd = pd.DataFrame.from_dict(ind_turn_dic,orient='index')
ind_turn_pd.rename(columns={0:u'换手率'},inplace=True)
ind_turn_pd = ind_turn_pd.sort(columns=u'换手率',ascending=False)
ind_turn_pd1 = ind_turn_pd.sort(columns=u'换手率',ascending=True)
print cnt_date+'换手率最大的行业前十:'
ind_turn_pd[0:10]
20150130换手率最大的行业前十:
```
| | 换手率 |
| --- | --- |
| 视听器材 | 0.046510 |
| 基础建设 | 0.042633 |
| 房屋建设 | 0.036725 |
| 计算机应用 | 0.036130 |
| 环保工程及服务 | 0.035021 |
| 营销传播 | 0.034763 |
| 畜禽养殖 | 0.034093 |
| 电力 | 0.033552 |
| 农业综合 | 0.032450 |
| 装修装饰 | 0.032230 |
```py
print cnt_date+'换手率最小的行业前十:'
ind_turn_pd1[0:10]
20150130换手率最小的行业前十:
```
| | 换手率 |
| --- | --- |
| 石油开采 | 0.000900 |
| 银行 | 0.008894 |
| 机场 | 0.009800 |
| 航空运输 | 0.010020 |
| 饲料 | 0.010518 |
| 高速公路 | 0.010583 |
| 汽车整车 | 0.011491 |
| 煤炭开采 | 0.011964 |
| 其他交运设备 | 0.012071 |
| 餐饮 | 0.012150 |
```py
ind_gb_pd = pd.DataFrame.from_dict(ind_gb_dic,orient='index')
ind_gb_pd.rename(columns={0:u'涨跌停比例'},inplace=True)
ind_gb_pd = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=False)
ind_gb_pd1 = ind_gb_pd.sort(columns=u'涨跌停比例',ascending=True)
print cnt_date+'涨停比例最大的行业前十:'
ind_gb_pd[0:10]
20150130涨停比例最大的行业前十:
```
| | 涨跌停比例 |
| --- | --- |
| 视听器材 | 0.200000 |
| 贸易 | 0.086957 |
| 物流 | 0.055556 |
| 专业工程 | 0.055556 |
| 互联网传媒 | 0.045455 |
| 塑料 | 0.045455 |
| 房地产开发 | 0.029630 |
| 电力 | 0.017241 |
| 家用轻工 | 0.000000 |
| 保险 | 0.000000 |
```py
print cnt_date+'跌停比例最大的行业前十:'
ind_gb_pd1[0:10]
20150130跌停比例最大的行业前十:
```
| | 涨跌停比例 |
| --- | --- |
| 旅游综合 | -0.066667 |
| 计算机设备 | -0.051282 |
| 电子制造 | -0.032258 |
| 光学光电子 | -0.024390 |
| 中药 | -0.017857 |
| 化学制品 | -0.006993 |
| 专用设备 | 0.000000 |
| 航运 | 0.000000 |
| 农业综合 | 0.000000 |
| 采掘服务 | 0.000000 |
```py
ind_inc_pd = pd.DataFrame.from_dict(ind_inc_dic,orient='index')
ind_inc_pd = ind_inc_pd.sort(columns=0,ascending=False)
ind_inc_pd.rename(columns={0:u'涨跌幅'},inplace=True)
ind_inc_pd1 = ind_inc_pd.sort(columns=u'涨跌幅')
print cnt_date+'涨幅最大的行业前十:'
ind_inc_pd[0:10]
```
| | 涨跌幅 |
| --- | --- |
| 视听器材 | 0.036822 |
| 燃气 | 0.018286 |
| 种植业 | 0.015623 |
| 房地产开发 | 0.006603 |
| 农业综合 | 0.005786 |
| 水务 | 0.005265 |
| 餐饮 | 0.004425 |
| 动物保健 | 0.004262 |
| 饮料制造 | 0.003649 |
| 汽车服务 | 0.003630 |
```py
print cnt_date+'跌幅最大的行业前十:'
ind_inc_pd1[:10]
20150130跌幅最大的行业前十:
```
| | 涨跌幅 |
| --- | --- |
| 运输设备 | -0.071812 |
| 基础建设 | -0.049886 |
| 多元金融 | -0.041817 |
| 铁路运输 | -0.040228 |
| 保险 | -0.036876 |
| 房屋建设 | -0.035251 |
| 计算机应用 | -0.032599 |
| 石油开采 | -0.028381 |
| 林业 | -0.028153 |
| 航空运输 | -0.025830 |
将行业包含的个股信息储存到csv文件中,可以进行更细致的查看行业信息
```py
ind_tk_pd = pd.DataFrame({})
for ind_nm,tk_list in ind_tknm_dic.items():
sub_pd = pd.DataFrame(tk_list)
sub_pd[u'行业名称'] = ind_nm
ind_tk_pd = pd.concat([ind_tk_pd,sub_pd])
ind_tk_pd.rename(columns={0:u'成分股'},inplace=True)
ind_tk_pd = ind_tk_pd.loc[:,[u'行业名称',u'成分股']]
ind_tk_pd.to_csv('ind_tk.csv',encoding='GBK',index=False)
```
';